| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-14页 |
| 1.1.1 研究背景 | 第10-12页 |
| 1.1.2 研究意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 基于密度的聚类 | 第14-16页 |
| 1.2.2 基于MapReduce的海量数据聚类 | 第16-17页 |
| 1.3 本文主要研究工作 | 第17-19页 |
| 1.4 本文主要组织结构 | 第19-20页 |
| 第二章 相关技术 | 第20-32页 |
| 2.1 DBSCAN | 第20-22页 |
| 2.1.1 基本定义 | 第20-21页 |
| 2.1.2 算法描述 | 第21-22页 |
| 2.1.3 算法分析 | 第22页 |
| 2.2 MapReduce和Hadoop | 第22-28页 |
| 2.2.1 MapReduce | 第22-25页 |
| 2.2.2 Hadoop | 第25-28页 |
| 2.3 Entropy | 第28-29页 |
| 2.4 本章小结 | 第29-32页 |
| 第三章 基于密度和信息熵的聚类算法 | 第32-42页 |
| 3.1 算法概述 | 第32-36页 |
| 3.2 算法描述 | 第36-39页 |
| 3.2.1 基本定义 | 第36-37页 |
| 3.2.2 数据预处理算法 | 第37-38页 |
| 3.2.3 基于信息熵的合并聚类算法 | 第38-39页 |
| 3.3 算法分析 | 第39-40页 |
| 3.4 本章小结 | 第40-42页 |
| 第四章 动态确定最优聚类数量的聚类算法 | 第42-50页 |
| 4.1 算法概述 | 第42-43页 |
| 4.2 算法描述 | 第43-48页 |
| 4.2.1 聚类质量评价指标 | 第43-45页 |
| 4.2.2 基于MapReduce的数据预处理算法 | 第45-46页 |
| 4.2.3 动态确定最优聚类数量算法 | 第46-47页 |
| 4.2.4 基于MapReduce的合并聚类算法 | 第47-48页 |
| 4.3 本章小结 | 第48-50页 |
| 第五章 实验结果与分析 | 第50-60页 |
| 5.1 实验数据 | 第50-51页 |
| 5.2 Hadoop平台搭建 | 第51页 |
| 5.3 结果分析 | 第51-57页 |
| 5.3.1 数据预处理算法 | 第51-53页 |
| 5.3.2 最优聚类评价指标 | 第53-55页 |
| 5.3.3 基于MapReduce的OP-ENDBSCAN算法 | 第55-57页 |
| 5.4 本章小结 | 第57-60页 |
| 第六章 结论 | 第60-62页 |
| 6.1 结论 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 作者简介 | 第66页 |
| 作者在攻读硕士学位期间发表的学术论文 | 第66-68页 |
| 致谢 | 第68页 |